Hauptinhalt
CS 608 — Matrixmethoden in der Datenanalyse
(engl. Matrix Methods in Data Analysis)
Niveaustufe, Verpflichtungsgrad | Aufbaumodul, Wahlpflichtmodul |
Lehr- und Lernformen, Arbeitsaufwand |
Vorlesung (4 SWS), Übung (2 SWS), 270 Stunden (90 Std. Präsenzzeit, 180 Std. Selbststudium) |
Leistungspunkte, Voraussetzungen zum Erwerb |
9 LP Studienleistung(en): Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben. Prüfungsleistung: Klausur oder mündliche Prüfung (Einzelprüfung) |
Sprache, Benotung |
Deutsch/Englisch,Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang B.Sc. Data Science. |
Dauer des Moduls, Häufigkeit |
Ein Semester, Regelmäßig im Wechsel mit anderen Vertiefungsmodulen |
Modulverantwortliche(r) | Prof. Dr. István Heckenberger |
Inhalt
- Darstellung von Problemen zur Auswertung großer Datenmengen,
- Modellierung der Aufgaben in Form von Matrixgleichungen,
- Mathematische und algorithmische Methoden zur Matrixfaktorisierung,
- Spezielle Algorithmen unter Positivität und bei dünner Besetzung der Matrizen,
- Tensorfaktorisierung
Qualifikationsziele
Die Studierenden sind in der Lage,
- Methoden zur Untersuchung von großen Datenmengen sowie den mathematischen Hintergrund der angewendeten Algorithmen zu verstehen,
- Techniken aus der Mathematik und der Informatik zu kombinieren,
- über wissenschaftliche Inhalte frei zu sprechen, sowohl vor einem Publikum als auch in einer Diskussion.
Voraussetzungen
Keine. Empfohlen werden die Kompetenzen, die in den Basismodulen Grundlagen der linearen Algebra und Objektorientierte Programmierung vermittelt werden.
Verwendbarkeit
Importmodul aus dem B.Sc. Data Science.
Es kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen
- B.Sc. Data Science
- B.Sc. Mathematik
- B.Sc. Wirtschaftsmathematik
- M.Sc. Data Science
- M.Sc. Informatik
- M.Sc. Mathematik
- M.Sc. Wirtschaftsmathematik
Im Studiengang B.Sc. Mathematik kann das Modul im Studienbereich Mathematik Wahlpflichtmodule absolviert werden.
Literatur
- Skillicorn, D., Understanding Complex Datasets. Data Mining with Matrix Decompositions, Chapman & Hall/CRC, 2007
- Elden, L., Matrix Methods in Data Mining and Pattern Recognition, SIAM, Second edition, 2019
- Strang, G., Linear Algebra and Learning from Data, Welleslay-Cambridge Press, 2019
Bitte beachten Sie:
Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2023/24 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:
- WiSe 2016/17 (kein Äquivalent)
- SoSe 2018 (kein Äquivalent)
- WiSe 2018/19 (kein Äquivalent)
- WiSe 2019/20 (kein Äquivalent)
- WiSe 2020/21 (kein Äquivalent)
- SoSe 2021 (kein Äquivalent)
- WiSe 2021/22 (kein Äquivalent)
- WiSe 2022/23 (kein Äquivalent)
- WiSe 2023/24
Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.
Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.